MLOps

Yaé Ulrich Gaba

M1-M2 11 chapters FR + EN

Survolez ou touchez pour voir le résumé

En bref · In brief

Français

Pratiques et outils du MLOps : ce qu'il faut pour faire passer un modèle de ML du notebook à la production sans qu'il casse. Versioning (Git, DVC), suivi (MLflow), pipelines de données, Docker, déploiement (FastAPI), CI/CD, monitoring.

English

MLOps practices and tools: what it takes to move a machine-learning model from the notebook to production without it breaking. Versioning (Git, DVC), experiment tracking (MLflow), data pipelines, Docker, deployment (FastAPI), CI/CD, monitoring.

Table des matières

Chapter 1 Introduction au MLOps — Du Notebook à la Production
Chapter 2 Environnements et Gestion de Dépendances
Chapter 3 Contrôle de Version — Git et DVC
Chapter 4 Suivi d’Expériences — MLflow, Weights & Biases
Chapter 5 Pipelines de Données et Feature Stores
Chapter 6 Entraînement à Grande Échelle — Distributed Training
Chapter 7 Conteneurisation — Docker pour le ML
Chapter 8 Déploiement de Modèles — REST APIs, FastAPI, Streamlit
Chapter 9 CI/CD pour le Machine Learning
Chapter 10 Monitoring des Modèles en Production
Chapter 11 Reproductibilité en Recherche — Standards et Bonnes Pratiques

Prérequis

Apprentissage automatique (modèles de ML de base). Programmation Python. Familiarité avec la ligne de commande Linux.